|本期目录/Table of Contents|

[1]方晓捷,严李强,张福豪,等.基于深度学习的农作物图像识别的发展[J].江苏农业科学,2024,52(20):18-24.
　Fang Xiaojie,et al.Development of crop image recognition based on deep learning[J].Jiangsu Agricultural Sciences,2024,52(20):18-24.
点击复制

基于深度学习的农作物图像识别的发展(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第52卷
期数:
2024年第20期
页码:
18-24
栏目:
专论与综述
出版日期:
2024-10-20

文章信息/Info

Title:
Development of crop image recognition based on deep learning
作者:
方晓捷;  严李强;  张福豪;  高心雨
西藏大学信息科学技术学院，西藏拉萨 850000
Author(s):
Fang Xiaojie; et al
关键词:
深度学习; 农作物图像识别; 卷积神经网络; 目标检测
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
农作物图像识别是一项重要的农业技术，它能够通过分析农田中的图像数据来快速、准确地识别不同作物的生长状态和健康状况。随着深度学习技术的快速发展，基于深度学习的农作物图像识别研究取得了显著的进展。梳理近年来该领域的研究进展，总结不同深度学习模型在农作物图像识别任务中的应用。首先，回顾农作物图像识别技术的发展进程，从基于特征选择的传统方法到近年来基于深度学习的方法；其次，讨论神经网络、生成对抗网络、目标检测、知识蒸馏等深度学习算法在农作物图像识别中的应用，包括对不同农作物品种、病虫害和生长阶段的识别；最后，分析该领域存在的问题与挑战，并提出未来可探索的研究方向，进而为农业科技的进一步发展提供参考，促进农作物图像识别技术的应用和推广，推动我国农业生产的智能化和可持续发展。
Abstract:
-

参考文献/References:

［1］郭文娟，冯全，李相周. 基于农作物病害检测与识别的卷积神经网络模型研究进展［J］. 中国农机化学报，2022，43(10)：157-166.
［2］何潇. 基于深度学习的西瓜叶片病害识别与检测方法研究［D］. 长沙：湖南农业大学，2021.
［3］美国发展“智慧农业”的做法及启示［EB/OL］. (2021-06-26)［2023-11-18］. https：//www.sohu.com/na/474158734_121123754.
［4］陈桢. 基于深度学习的农作物病害分类算法研究［D］. 济南：齐鲁工业大学，2022.
［5］何雨霜，王琢，王湘平，等. 深度学习在农作物病害图像识别中的研究进展［J］. 中国农机化学报，2023，44(2)：148-155.
［6］魏花. 基于卷积神经网络的细粒度图像识别关键技术分析与研究［D］. 长春：中国科学院大学(中国科学院长春光学精密机械与物理研究所)，2021.
［7］贺晋. 基于卷积神经网络的三种粒度的图像识别模型研究［D］. 北京：北京邮电大学，2021.
［8］郭小燕，尚皓玺. 基于元学习的植物虫害识别原型网络VGG-ML［J］. 南京农业大学学报，2024，47(2)：392-401.
［9］廖露，韩春峰，何纯樱. 基于VGG19卷积神经网络和迁移学习的水稻病害图像分类方法［J］. 测绘，2023，46(4)：153-157，181.
［10］Nandi A，Yadav S，Jaiswal Y.Crop disease recognition and diagnosis using Residual Neural Network［C］//2022 International Conference on Advancements in Smart，Secure and Intelligent Computing.Bhubaneswar：IEEE，2022：1-6.
［11］李玉芳. 基于简化GoogLeNet的农作物叶片病害识别系统设计与实现［J］. 信息与电脑(理论版)，2023，35(9)：179-181.
［12］朱东郡. 面向复杂场景图像的目标检测与识别方法研究［D］. 徐州：中国矿业大学，2022.
［13］Widiyanto S，Wardani D T，Wisnu P S. Image-based tomato maturity classification and detection using faster R-CNN method［C］//5th International Symposium on Multidisciplinary Studies and Innovative Technologies.Ankara：IEEE，2021：130-134.
［14］岑霄. 融合空洞卷积和特征金字塔的Faster R-CNN柑橘害虫检测方法［J］. 中国农学通报，2023，39(22)：158-164.
［15］刘阗宇，冯全，杨森. 基于卷积神经网络的葡萄叶片病害检测方法［J］. 东北农业大学学报，2018，49(3)：73-83.
［16］刘阗宇，冯全. 基于卷积神经网络的葡萄叶片检测［J］. 西北大学学报(自然科学版)，2017，47(4)：505-512.
［17］刘阗宇. 基于卷积神经网络的葡萄叶片病害检测方法研究［D］. 兰州：甘肃农业大学，2018.
［18］刘亚恒. 基于改进Faster R-CNN苹果叶部病害检测方法研究［D］. 汉中：陕西理工大学，2022.
［19］赵越，赵辉，姜永成，等. 基于深度学习的马铃薯叶片病害检测方法［J］. 中国农机化学报，2022，43(10)：183-189.
［20］叶中华，赵明霞，贾璐. 复杂背景农作物病害图像识别研究［J］. 农业机械学报，2021，52(增刊1)：118-124，147.
［21］俞佩仕. 水稻茎基部病害图像智能采集与病斑检测系统的设计与实现［D］. 杭州：浙江理工大学，2019.
［22］李康顺，杨振盛，江梓锋，等. 基于改进YOLOX-Nano的农作物叶片病害检测与识别方法［J］. 华南农业大学学报，2023，44(4)：593-603.
［23］Agbulos M K，Sarmiento Y，Villaverde J. Identification of leaf blast and brown spot diseases on rice leaf with YOLO algorithm［C］//7th International Conference on Control Science and Systems Engineering.Qingdao：IEEE，2021：307-312.
［24］Mohandas A，Anjali M S，Rahul Varma U. Real-time detectionand identification of plant leaf diseases using YOLO v4-tiny［C］//12th International Conference on Computing Communication and Networking Technologies.Kharagpur：IEEE，2021：1-5.
［25］公徐路，张淑娟. 基于改进YOLO v5s的苹果叶片小目标病害轻量化检测方法［J］. 农业工程学报，2023，39(19)：175-184.
［26］施炀明. 基于生成对抗网络的弱光图像增强算法研究［D］. 合肥：中国科学技术大学，2022.
［27］胡潇菡. 基于生成对抗网络的弱监督图像语义分割方法研究［D］. 西安：西安电子科技大学，2020.
［28］Sharma A，Kaur H，Prashar D.Generative adversarial networks based approach for data augmentation in mango leaf disease detection system［C］//12th International Conference on Communication Systems and Network Technologies. Bhopal：IEEE，2023：816-821.
［29］Kamohara Y，Sakuma T，Kato S.Plant disease detection with generative adversarial networks for assisting extension workers［C］//11th Global Conference on Consumer Electronics.Osaka：IEEE，2022：840-841.
［30］Ramadan S T Y，Sakib T，Ul Haque M M，et al. Generative adversarial network-based augmented rice leaf disease detection using deep learning［C］//25th International Conference on Computer and Information Technology. Coxs Bazar：IEEE，2022：976-981.
［31］陶贤鹏. 基于WGAN-GP的水稻图像数据增强方法研究［D］. 大庆：黑龙江八一农垦大学，2023.
［32］余胜，谢莉. 基于迁移学习和卷积视觉转换器的农作物病害识别研究［J］. 中国农机化学报，2023，44(8)：191-197.
［33］万军杰，祁力钧，卢中奥，等. 基于迁移学习的GoogLeNet果园病虫害识别与分级［J］. 中国农业大学学报，2021，26(11)：209-221.
［34］Arshad M S，Rehman U A，Fraz M M. Plant disease identification using transfer learning［C］//2021 International Conference on Digital Futures and Transformative Technologies.Islamabad：IEEE，2021：1-5.
［35］Song X，Mariano V Y. Image-based apple disease detection based on residual neural network and transfer learning［C］//3rd International Conference on Power，Electronics and Computer Applications.Shenyang：IEEE，2023：365-369.
［36］王大庆，禄 琳，于兴龙，等. 基于深度迁移学习的EfficientNet玉米叶部病害识别［J］. 东北农业大学学报，2023，54(5)：66-76.
［37］邓朋飞，官铮，王宇阳，等. 基于迁移学习和模型压缩的玉米病害识别方法［J］. 计算机科学，2022，49(增刊2)：444-449.
［38］刘媛媛，王定坤，邬雷，等. 基于知识蒸馏和模型剪枝的轻量化模型植物病害识别［J］. 浙江农业学报，2023，35(9)：2250-2264.
［39］李庆盛. 基于图像识别与深度学习的农作物病害检测研究［D］. 淄博：山东理工大学，2022.
［40］李若曦. 农作物病害图像识别与模型轻量化研究［D］. 天津：河北工业大学，2022.
［41］Wei X D，Zhang H Y，Shi C K，et al. A lightweight flower classification model based on improved knowledge distillation［C］//10th Joint International Information Technology and Artificial Intelligence Conference.Chongqing：IEEE，2022：2236-2239.
［42］温钊发，蒲智，程曦，等. 基于知识蒸馏与EssNet的田间农作物病害识别［J］. 山东农业科学，2023，55(5)：154-163.
［43］李子涵，周省邦，赵戈，等. 基于卷积神经网络的农业病虫害识别研究综述［J］. 江苏农业科学，2023，51(7)：15-23.
［44］慕君林，马博，王云飞，等. 基于深度学习的农作物病虫害检测算法综述［J］. 农业机械学报，2023，54(增刊2)：301-313.
［45］戴久竣.基于深度学习的农作物叶片病害识别研究［D］. 杭州：浙江科技学院，2022.
［46］张颖超. 基于深度学习的农作物叶片病害检测识别方法及其应用研究［D］. 石家庄：河北科技大学，2021.
［47］毛星，金晶，张欣，等. 基于改进DeepLab v3+模型和迁移学习的高分遥感耕地信息提取方法［J］. 江苏农业学报，2023，39(7)：1519-1529.

相似文献/References:

[1]梁万杰,曹宏鑫.基于卷积神经网络的水稻虫害识别[J].江苏农业科学,2017,45(20):241.
　Liang Wanjie,et al.Identification of rice insect pests based on CNN model[J].Jiangsu Agricultural Sciences,2017,45(20):241.
[2]赵建敏,李艳,李琦,等.基于卷积神经网络的马铃薯叶片病害识别系统[J].江苏农业科学,2018,46(24):251.
　Zhao Jianmin,et al.Potato leaf disease identification system based on convolutional neural network[J].Jiangsu Agricultural Sciences,2018,46(20):251.
[3]李懿超,沈润平,黄安奇.基于深度学习的湘赣鄂地区植被变化及其影响因子关系模型[J].江苏农业科学,2019,47(03):213.
　Li Yichao,et al.Study on relational model between vegetation change and its impact factors based on deep learning in Hunan， Jiangxi and Hubei areas[J].Jiangsu Agricultural Sciences,2019,47(20):213.
[4]刘嘉政.基于深度迁移学习模型的花卉种类识别[J].江苏农业科学,2019,47(20):231.
　Liu Jiazheng.Flower species identification based on deep transfer learning model[J].Jiangsu Agricultural Sciences,2019,47(20):231.
[5]荆伟斌,胡海棠,程成,等.基于深度学习的地面苹果识别与计数[J].江苏农业科学,2020,48(05):210.
　Jing Weibin,et al.Recognition and counting of ground apples based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(20):210.
[6]罗巍,陈曙东,王福涛,等.基于深度学习的大型食草动物种群监测方法[J].江苏农业科学,2020,48(20):247.
　Luo Wei,et al.Monitoring method of large herbivore population based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(20):247.
[7]孙孝龙,徐森,周卫阳,等.基于物联网和深度学习的养蚕智能监控系统设计[J].江苏农业科学,2020,48(21):241.
　Sun Xiaolong,et al.Design of an intelligent monitoring system for sericulture based on internet of things and deep learning[J].Jiangsu Agricultural Sciences,2020,48(20):241.
[8]康飞龙,李佳,刘涛,等.多类农作物病虫害的图像识别应用技术研究综述[J].江苏农业科学,2020,48(22):22.
　Kang Feilong,et al.Application technology of image recognition for various crop diseases and insect pests: a review[J].Jiangsu Agricultural Sciences,2020,48(20):22.
[9]李彧,余心杰,郭俊先.基于全卷积神经网络方法的玉米田间杂草识别[J].江苏农业科学,2022,50(6):93.
　Li Yu,et al.Weed recognition in corn field based on fully convolutional neural network (FCN) method[J].Jiangsu Agricultural Sciences,2022,50(20):93.
[10]孙东来,王继超,陈科,等.基于Ghost-YOLOv3-2算法的2尺度猪目标检测[J].江苏农业科学,2022,50(7):189.
　Sun Donglai,et al.Two-scale pig target detection based on Ghost-YOLOv3-2[J].Jiangsu Agricultural Sciences,2022,50(20):189.

备注/Memo

备注/Memo:
收稿日期：2023-11-23
基金项目：中央引导地方科技发展资金(编号：XZ202101YD0014C)。
作者简介：方晓捷(1998—)，女，安徽滁州人，硕士研究生，主要从事农作物图像识别研究。E-mail：fangxiaojie2021@163.com。
通信作者：严李强，硕士，教授，主要从事智能控制研究。E-mail：158201730@qq.com。
更新日期/Last Update: 2024-10-20